TL;DR. La mayoría de los consejos de carrera tratan de jugar con más fuerza. La estrategia trata de elegir el juego. En los datos salariales de Estados Unidos de mayo de 2025, el trabajador del percentil 90 gana 4,12 veces lo que gana el del percentil 10 en el conjunto de la economía, pero solo 2,29 veces dentro de la ocupación típica: buena parte de la brecha salarial está entre terrenos de juego, no dentro de ellos. Un cruce de datos de CEOtudent entre las categorías de exposición a la IA de la Bureau of Labor Statistics (BLS) y los percentiles salariales OEWS para 830 ocupaciones muestra que los terrenos calificados con exposición a la IA “Muy alta” tienen el salario típico más alto (mediana de las medianas por ocupación: $78.105), pero el crecimiento proyectado más lento (2,0 % para 2025-2035), la menor cantidad de vacantes por cada 100 trabajadores (8,4 al año) y la mayor dispersión salarial (mediana de P90/P10 de 2,70). La jugada del CEO: elige el terreno donde tu ventaja relativa es mayor y donde la forma de la recompensa encaja con el puesto que puedes alcanzar de forma realista; después, escribe en qué no vas a competir. La jugada del estudiante: aprende la ventaja concreta que ese terreno premia, no una lista genérica de habilidades de moda.
Este artículo trata de la selección del terreno: dónde jugar. Se sitúa junto a los artículos ya publicados sobre qué capital profesional se acumula y qué se deprecia, que aborda los activos que construyes, y sobre cómo construir una tesis personal, que aborda el punto de vista que sostienes. La pregunta de este artículo va primero: ¿en qué juego vas a entrar y por qué en ese?
¿Por qué elegir un terreno es una cuestión de estrategia y no de planificación?
En “What Is Strategy?” (Harvard Business Review, noviembre-diciembre de 1996), Michael Porter separa la eficacia operativa, hacer actividades similares mejor que los rivales, de la estrategia: “La estrategia es la creación de una posición única y valiosa, que implica un conjunto distinto de actividades”. Y, en la frase que más importa para una carrera: “La esencia de la estrategia es elegir qué no hacer”.
Porter también pone nombre a lo que ocurre cuando todos mejoran de la misma manera, la convergencia competitiva: “Cuanto más benchmarking hacen las empresas, más se parecen entre sí”. La versión individual es fácil de ver en 2026. Cuando todos los analistas, redactores y consultores usan los mismos asistentes de IA y los mismos cursos, volverse más rápido en el mismo trabajo es eficacia operativa. Es necesario, pero no es una posición. El artículo publicado sobre cómo construir autoridad cuando todos tienen las mismas herramientas de IA cubre el lado de la visibilidad de ese problema; este artículo cubre la elección que lo precede.
Roger Martin lo dijo de forma más directa en “The Big Lie of Strategic Planning” (Harvard Business Review, enero-febrero de 2014): “Caracterizar las decisiones clave como dónde jugar y cómo ganar mantiene la discusión con los pies en la tierra”. También advierte sobre las empresas que “prefieren una pequeña porción de un mercado enorme a una gran porción de uno pequeño”. Traducido a una sola persona: “trabajo en tecnología” no es una elección de dónde jugar. Es la descripción de una multitud.
Para una persona, las dos elecciones se convierten en:
- Dónde jugar: una ocupación, un tipo de cliente o una clase de problema concretos donde compites por ingresos y oportunidades.
- Cómo ganar: la ventaja que hace que alguien te elija a ti antes que a la siguiente persona cualificada de ese terreno.
La lente CEO + Estudiante encaja directamente con ellas. El CEO es dueño de la primera elección y de la lista de cosas en las que te niegas a competir. El estudiante es dueño de la segunda: construir la ventaja que premia este terreno, no un mercado laboral genérico.
¿Qué significa la ventaja comparativa para una sola persona?
La lógica estratégica más antigua para individuos es una nota al pie en On the Principles of Political Economy and Taxation de David Ricardo (primera edición de 1817, tercera edición de 1821). En el capítulo 7, Ricardo describe a dos hombres que hacen zapatos y sombreros, uno de ellos mejor en ambas cosas. En los sombreros “solo puede superar a su competidor en una quinta parte o un 20 por ciento”, pero en los zapatos “puede aventajarle en un tercio o un 33 por ciento”. Ambos ganan si el mejor hace solo zapatos y el otro solo sombreros.
De ahí se siguen tres implicaciones:
- No necesitas ser el mejor de un terreno para tener sitio en él. Necesitas que tu ventaja allí sea mayor que en tus otras opciones.
- Ser bueno en muchas cosas no es una razón para competir en todas. El mejor zapatero sigue perdiendo valor si hace sombreros.
- La comparación es con tus propias alternativas. La pregunta no es “¿se me da bien esto?”, sino “¿es aquí donde mi ventaja es mayor?”.
La economía laboral moderna usa la misma lógica. El capítulo NBER de 2010 de Daron Acemoglu y David Autor propone un modelo basado en tareas en el que “la asignación de habilidades a tareas es endógena” y el cambio técnico puede suponer “la sustitución por máquinas de ciertas tareas que antes realizaba el trabajo humano”. Qué tareas acaba haciendo una persona depende de su ventaja relativa, y la tecnología desplaza esa asignación. La IA es el desplazamiento actual.
El documento de trabajo NBER de David Deming sobre habilidades sociales (revisado en junio de 2017) modela trabajadores que “intercambian tareas” para aprovechar la ventaja comparativa, y las habilidades sociales reducen el coste de ese intercambio. Sus datos de empleo son lo más parecido a una prueba de que los mejores terrenos los definen las combinaciones, no las habilidades aisladas.
| Hallazgo | Cifra según se publicó | Periodo y datos | Fuente |
|---|---|---|---|
| Empleos con alta intensidad tanto en matemáticas como en habilidades sociales | crecieron unos 7,2 puntos porcentuales como proporción de la fuerza laboral de EE. UU. | 1980-2012, EE. UU. | Deming, NBER WP 21473 |
| Empleos con baja intensidad matemática y alta intensidad en habilidades sociales | crecieron unos 4,6 puntos porcentuales | 1980-2012, EE. UU. | Deming |
| Todas las ocupaciones intensivas en habilidades sociales | aumento total de 11,8 puntos porcentuales en la proporción del empleo | 1980-2012, EE. UU. | Deming |
| Empleos con alta intensidad matemática pero baja en habilidades sociales | se redujeron unos 3,3 puntos porcentuales | 1980-2012, EE. UU. | Deming |
| Crecimiento salarial de los titulados universitarios atribuido al capital humano específico de las tareas | al menos un 40 % en un periodo de diez años | Alemania | Gathmann y Schönberg, IZA DP 3067 |
| Misma medida, trabajadores de cualificación baja y media | al menos un 35 % y un 25 % | Alemania | Gathmann y Schönberg |
Fuentes: Deming, NBER Working Paper 21473 (revisado en junio de 2017), texto que acompaña a la figura 4; Gathmann y Schönberg, IZA Discussion Paper 3067 (2007), resumen.
El resultado de Gathmann y Schönberg añade una restricción: las habilidades viajan, pero sobre todo a terrenos cercanos. Su resumen señala que “las personas se trasladan a ocupaciones con requisitos de tareas similares”. Un terreno al que puedes llegar con tu capital de tareas actual es más barato de conquistar que uno que te devuelve a cero. El artículo publicado sobre el apilamiento de habilidades explica cómo las combinaciones crean rareza; la selección del terreno decide en qué mercado se vende esa rareza.
¿Por qué algunos terrenos pagan al primero mucho más que al segundo?
Los terrenos se diferencian por la forma de la recompensa, no solo por su tamaño. La explicación clásica es el artículo de Sherwin Rosen de 1981 “The Economics of Superstars”. Según el resumen de Douglas Clement para el Federal Reserve Bank of Minneapolis (2002), Rosen explicaba los ingresos muy altos de la cima con dos fuerzas: “la sustitución imperfecta entre distintos vendedores y las economías de escala de las tecnologías de consumo conjunto”. El talento menor es un mal sustituto del talento mayor (“Escuchar una sucesión de cantantes mediocres no equivale a una única actuación sobresaliente”, en palabras de Rosen tal como se citan allí), y algunas tecnologías permiten que unos pocos vendedores atiendan a todo el mercado.
El mismo artículo cita una teoría posterior de los economistas Boldrin y Levine que predice que “la creciente reproducibilidad de la información seguirá generando grandes disparidades de ingresos entre personas de habilidades muy similares y en un número creciente de sectores”. Es una hipótesis, citada en 2002 a propósito de la copia digital, no un resultado medido. Pero describe la dirección en la que empuja la IA: cuando el resultado es barato de reproducir, la recompensa por ser el vendedor elegido crece en relación con la recompensa por ser uno competente.
La forma de la recompensa cambia la pregunta que te haces antes de entrar. En un terreno de dispersión estrecha, ser sólidamente bueno paga más o menos como ser muy bueno. En un terreno de dispersión amplia, la pregunta realista es si puedes llegar a la quinta parte superior en unos pocos años, porque la zona media paga menos de lo que sugieren los promedios.
¿Qué muestran en realidad los datos de los terrenos?
CEOtudent cruzó dos conjuntos de datos del BLS que se publican por separado:
- BLS Employment Projections, categorías de exposición a la IA y proyecciones 2025-35: para 831 ocupaciones detalladas, empleo en 2025, variación proyectada hasta 2035, vacantes anuales, porcentaje de trabajadores por cuenta propia, salario mediano y una categoría de “exposición relativa a la IA” de cuatro niveles construida a partir de cinco fuentes externas.
- BLS Occupational Employment and Wage Statistics (OEWS), mayo de 2025: percentiles salariales para los mismos códigos de ocupación. La razón entre el percentil 90 y el percentil 10 (P90/P10) se usa aquí como medida sencilla de cuánto se dispersan los salarios dentro de un terreno.
830 de las 831 ocupaciones coincidieron por código. El BLS es explícito sobre los límites: “Una categoría de exposición no es una previsión de crecimiento o descenso del empleo”, sus fuentes teóricas “conceptualizan las capacidades de la IA como las disponibles a más tardar a mediados de 2023”, y las categorías “no distinguen entre los impactos de la IA por automatización y por aumento”.
Tabla 1. Condiciones de los terrenos según la categoría de exposición relativa a la IA del BLS (análisis de CEOtudent de las categorías de exposición a la IA de BLS Employment Projections, 2025-35, y de BLS OEWS de mayo de 2025)
| Exposición relativa a la IA (BLS) | Ocupaciones | Empleo 2025 | Variación proyectada 2025-35 (ponderada por empleo) | Vacantes por cada 100 trabajadores al año | Mediana de P90/P10 dentro de la ocupación | Mediana de los salarios medianos por ocupación |
|---|---|---|---|---|---|---|
| Baja | 213 | 30,3 millones | 2,5 % | 10,8 | 1,93 | $49.120 |
| Moderada | 206 | 44,7 millones | 6,2 % | 13,2 | 2,17 | $52.760 |
| Alta | 206 | 42,1 millones | 3,1 % | 9,0 | 2,47 | $73.985 |
| Muy alta | 206 | 53,2 millones | 2,0 % | 8,4 | 2,70 | $78.105 |
El empleo, la variación proyectada y las vacantes proceden de la tabla de exposición a la IA del BLS; las razones P90/P10 se calculan a partir de los percentiles nacionales de OEWS de mayo de 2025 (percentiles por hora para las pocas ocupaciones que solo se publican por hora; 212 razones emparejadas en la fila Baja). Las celdas derivadas se recalculan con un script.
Destacan tres cosas. La dispersión salarial aumenta con cada escalón de exposición, de 1,93 a 2,70: los terrenos más expuestos a la IA son aquellos en los que quienes más ganan se alejan más de la base de la misma ocupación. Los terrenos expuestos pagan más, pero ofrecen menos espacio: las ocupaciones de exposición Muy alta tienen los salarios típicos más altos y las tasas de crecimiento y de vacantes más bajas, mientras que el grupo Moderada, en buena parte trabajo manual, tiene el mayor margen en ambas. Las vacantes son sobre todo de reposición, no de crecimiento: de 17.461,8 miles de vacantes al año en todas las ocupaciones, 16.870 miles (96,6 %) proceden de personas que dejan la ocupación o la fuerza laboral. Una tasa de vacantes alta suele indicar rotación.
La correlación requiere cuidado. Las ocupaciones de exposición Alta y Muy alta también son ocupaciones mejor pagadas y con más credenciales, donde las largas escalas de antigüedad amplían de forma natural los salarios. La tabla 1 no muestra que la IA cause dispersiones más amplias. Muestra que los terrenos donde la IA es hoy más aplicable son también los más parecidos a un torneo, justo el escenario en el que la posición importa más que el esfuerzo.
La etiqueta de exposición tampoco dice mucho sobre un terreno concreto. La siguiente tabla la mantiene constante.
Tabla 2. Misma etiqueta de exposición, terrenos muy distintos (análisis de CEOtudent de BLS Employment Projections 2025-35 y BLS OEWS de mayo de 2025)
| Ocupación (terreno) | Exposición a la IA (BLS) | Empleo 2025 (miles) | Variación proyectada 2025-35 | Vacantes por cada 100 trabajadores al año | P90/P10 | Por cuenta propia, 2025 |
|---|---|---|---|---|---|---|
| Científicos de datos | Muy alta | 275,6 | 34,6 % | 9,0 | 2,96 | 1,9 % |
| Analistas de seguridad de la información | Muy alta | 192,9 | 21,0 % | 7,3 | 2,66 | 0,2 % |
| Analistas de gestión | Muy alta | 1.077,1 | 10,1 % | 8,7 | 2,83 | 14,0 % |
| Desarrolladores de software | Muy alta | 1.717,8 | 10,2 % | 5,5 | 2,60 | 1,5 % |
| Especialistas en gestión de proyectos | Muy alta | 1.094,3 | 6,7 % | 7,0 | 2,73 | 1,2 % |
| Analistas de investigación de mercados y especialistas en marketing | Muy alta | 952,7 | 7,0 % | 8,6 | 3,58 | 3,8 % |
| Contables y auditores | Muy alta | 1.595,2 | 5,0 % | 7,2 | 2,57 | 5,5 % |
| Abogados | Muy alta | 863,7 | 4,7 % | 3,3 | 4,49 | 11,3 % |
| Asesores financieros personales | Muy alta | 299,4 | 1,4 % | 5,7 | 7,11 | 9,7 % |
| Especialistas en relaciones públicas | Muy alta | 314,5 | 1,8 % | 7,3 | 3,06 | 1,1 % |
| Escritores y autores | Muy alta | 140,3 | -0,3 % | 8,5 | 3,16 | 64,8 % |
| Editores | Muy alta | 105,0 | -1,1 % | 7,5 | 3,73 | 9,0 % |
| Diseñadores gráficos | Muy alta | 253,1 | -1,7 % | 6,3 | 2,65 | 20,5 % |
| Enfermeros de práctica avanzada (contraste) | Alta | 336,3 | 41,0 % | 8,7 | 1,72 | 1,6 % |
| Electricistas (contraste) | Moderada | 821,0 | 9,2 % | 8,9 | 2,54 | 7,1 % |
Selección: terrenos habituales del trabajo del conocimiento más dos contrastes, elegidos por el equipo editorial por su relevancia, no una clasificación. OEWS solo cubre a trabajadores asalariados, por lo que P90/P10 subestima la dispersión donde muchos trabajan como autónomos (escritores y autores: 64,8 % por cuenta propia).
Trece terrenos llevan la misma etiqueta “Muy alta” y, sin embargo, el crecimiento proyectado va del -1,7 % (diseñadores gráficos) al 34,6 % (científicos de datos), y la dispersión salarial, de 2,57 (contables y auditores) a 7,11 (asesores financieros personales). Dos personas que “trabajan en un campo expuesto a la IA” pueden estar en terrenos con dinámicas opuestas. La etiqueta dice que el trabajo cambiará. El espacio disponible y la forma de la recompensa dicen si merece la pena entrar en ese terreno.
¿Qué tipos de terreno existen?
Dividir las 830 ocupaciones emparejadas según el crecimiento proyectado (por encima o por debajo del 3,5 % del conjunto de ocupaciones) y según P90/P10 (por encima o por debajo de la mediana de 2,29) da cuatro tipos de terreno.
Tabla 3. Cuatro tipos de terreno (marco editorial de CEOtudent aplicado a un análisis de CEOtudent de BLS Employment Projections 2025-35, categorías de exposición a la IA y OEWS de mayo de 2025)
| Tipo de terreno | Regla | Ocupaciones | Empleo 2025 | Proporción de ese empleo con exposición a la IA Alta o Muy alta | Las tres mayores por empleo | Qué premia |
|---|---|---|---|---|---|---|
| Campo abierto | En crecimiento, dispersión estrecha | 143 | 42,6 millones | 28 % | Auxiliares de salud a domicilio y de cuidado personal; trabajadores de comida rápida y mostrador; enfermeros titulados | Competencia fiable y credenciales; el potencial de subida tiene techo |
| Frontera disputada | En crecimiento, dispersión amplia | 213 | 43,1 millones | 72 % | Gerentes generales y de operaciones; desarrolladores de software; contables y auditores | Una posición clara; hay espacio, pero la cima se distancia |
| Terreno de commodities | Lento, dispersión estrecha | 272 | 58,1 millones | 54 % | Vendedores minoristas; cajeros; peones y manipuladores manuales de carga, existencias y materiales | Coste y fiabilidad; poca recompensa por ser excepcional |
| Terreno de torneo | Lento, dispersión amplia | 202 | 26,4 millones | 80 % | Camareros y camareras; supervisores de primera línea del personal de oficina y apoyo administrativo; supervisores de primera línea de los vendedores minoristas | El puesto en la clasificación; solo una posición en la cima paga bien |
Umbrales: 3,5 % es la variación proyectada por el BLS para el empleo total, 2025-35 (Employment Projections, tabla 1.2); 2,29 es la mediana de P90/P10 en las 830 ocupaciones emparejadas. Los nombres de los tipos y la columna “Qué premia” son un marco editorial de CEOtudent, no categorías del BLS.
Hay dos lecturas importantes. El Terreno de torneo es donde más se concentra la exposición a la IA: el 80 % de su empleo está en ocupaciones de exposición Alta o Muy alta. En un terreno de crecimiento lento y dispersión amplia, el plan realista es escalar o reposicionarse, no mantenerse en la zona media. Y la Frontera disputada, donde jugará la mayoría de los trabajadores del conocimiento que buscan crecimiento, es un juego de posicionamiento: hay espacio, pero la recompensa va a una posición diferenciada, no a la competencia general.
La tarjeta de puntuación para elegir terreno
Puntúa cada terreno candidato con 0, 1 o 2 en seis pruebas. Define el terreno con la suficiente precisión como para poder nombrar a diez competidores.
Tabla 4. La tarjeta de puntuación para elegir terreno (marco editorial de CEOtudent)
| # | Prueba | 0 | 1 | 2 | Lógica |
|---|---|---|---|---|---|
| 1 | Ventaja relativa | La ventaja no es mayor que en tus otras opciones | Algo mayor | Claramente es donde tu ventaja sobre el aspirante típico es mayor | Ricardo |
| 2 | Encaje con la forma de la recompensa | Dispersión amplia y ningún camino creíble hacia la quinta parte superior en 3-5 años | Poco claro | Dispersión estrecha, o dispersión amplia con un camino creíble hacia arriba | Rosen |
| 3 | Espacio | Descenso proyectado y pocas vacantes | Estancado, o crecimiento impulsado por la rotación | Crecimiento por encima de la cifra del conjunto de la economía y vacantes reales | Proyecciones del BLS |
| 4 | Dirección de la IA | La IA ya produce el resultado central que venderías | Mixto | La IA se encarga de las partes rutinarias; tu ventaja es lo que queda (criterio, relaciones, decisiones con responsabilidad, combinación) | Exposición según el BLS; Acemoglu y Autor |
| 5 | Claridad de las renuncias | No puedes nombrar qué dejarías de hacer | Nombrado, sin compromiso | Una lista escrita de clientes, tareas y canales que rechazarás | Porter |
| 6 | Adyacencia | Ninguna coincidencia con las tareas actuales | Coincidencia parcial | La mayor parte del capital de tareas actual se traslada, o existe un puente corto | Gathmann y Schönberg |
Cómo leer el total sobre 12 (umbrales editoriales de CEOtudent):
- 10-12: comprométete. Conviértelo en el terreno principal y construye el plan de aprendizaje en torno a su ventaja específica.
- 7-9: entra con una prueba. Haz primero un experimento acotado: un proyecto, un cliente piloto, una pieza de portafolio. El artículo sobre el dilema entre exploración y explotación explica cómo dimensionar y detener ese tipo de experimentos.
- 6 o menos: no entres tal como está planteado. Acota el terreno hasta que la ventaja crezca, o elige otro.
Un cero en la prueba 1 o en la prueba 5 bloquea la decisión de comprometerse, sea cual sea el total. Sin ventaja relativa no hay posición; sin renuncias no hay estrategia, solo una lista de deseos.
Cómo aplicar la tarjeta de puntuación en una sola sesión
- Haz una lista de tres terrenos candidatos, definidos con precisión. No “datos”, sino “analítica de precios para empresas de software por suscripción”; no “escritura”, sino “documentación técnica para dispositivos médicos regulados”.
- Reúne las cifras públicas de la ocupación más cercana. Las proyecciones, las vacantes, la exposición del BLS y los percentiles de OEWS existen para cada ocupación detallada de Estados Unidos; en otros países, usa la oficina nacional de estadística y anota lo que falta. La tabla 2 muestra las columnas que vale la pena registrar.
- Puntúa la prueba 1 con honestidad. Pregunta a dos personas que hayan visto tu trabajo en qué superas a tus pares, y pon por escrito la comparación con tus propias alternativas.
- Contrasta la forma de la recompensa con tu puesto probable. Si P90/P10 está por encima de aproximadamente 3 (una regla práctica de CEOtudent, no un umbral del BLS) y todavía no estás en la parte alta de ese terreno, la prueba 2 puntúa 0 o 1 hasta que haya indicios de un camino hacia arriba.
- Escribe la lista de lo que no vas a competir. Clientes que no aceptarás, tareas que no venderás, plataformas que no perseguirás. El artículo sobre qué no aprender aplica la misma disciplina al tiempo de aprendizaje.
- Convierte el terreno ganador en un único objetivo de aprendizaje. Esta es la mitad del estudiante: la ventaja que separa la quinta parte superior de la mediana en ese terreno. Para elegir entre habilidades candidatas una vez fijado el terreno, usa la matriz de decisión de habilidades de 4 factores.
- Fija una fecha de revisión. El BLS publica proyecciones cada año; está previsto que las proyecciones 2026-36 se publiquen en 2027.
¿En qué deberías negarte a competir?
El argumento de Porter es que las renuncias hacen sostenible una posición: “una renuncia significa que más de una cosa exige menos de otra”. En los terrenos expuestos a la IA, suelen importar tres negativas:
- El volumen genérico. Si todos los competidores tienen los mismos asistentes de IA, la velocidad en los entregables estándar converge hacia el precio de mercado.
- La mediana de un terreno de torneo. Donde la dispersión es amplia y el crecimiento lento (tabla 3), la zona media es la opción cara, no la segura.
- Los terrenos definidos por una herramienta. Una herramienta no es un mercado. Un terreno se define por quién paga y por qué problema; las herramientas que hay dentro cambiarán muchas veces.
Elegir qué no hacer también libera al estudiante: un terreno acotado te dice qué conocimiento puede depreciarse sin daño y cuál debe acumularse. El artículo que sostiene que el profesional en T está obsoleto describe cómo está cambiando la forma de ese conocimiento; la elección del terreno te dice dónde hacerlo crecer.
Lo que esto no significa
- No significa evitar los terrenos expuestos a la IA. El BLS afirma que una exposición “Alta” o “Muy alta” “no significa necesariamente que el empleo vaya a disminuir”. Varios terrenos de exposición Muy alta de la tabla 2 tienen un crecimiento proyectado superior al de la economía.
- No significa perseguir la ocupación que más crece. El crecimiento sin ventaja relativa es una entrada abarrotada.
- No significa interpretar P90/P10 como talento. Es una dispersión de la remuneración asalariada que también refleja la antigüedad, la región, el tamaño del empleador y las horas trabajadas, y excluye a los trabajadores por cuenta propia.
- No significa que las categorías sean fijas. Los umbrales de los tipos de terreno proceden de un único ciclo de proyecciones; las ocupaciones cercanas a una línea pueden moverse cuando se revisan los datos.
- No significa un único terreno para toda la vida. La estrategia es una elección hecha con la información actual y revisada según un calendario.
Este artículo es información general, no asesoramiento personalizado de carrera, financiero ni jurídico.
Preguntas frecuentes
¿Qué es el posicionamiento estratégico para una persona?
La elección deliberada de dónde competir (una ocupación, un tipo de cliente o un problema concretos) y de cómo ganar allí (la ventaja que hace que alguien te elija antes que a la siguiente persona cualificada), incluida la elección de qué no hacer.
¿En qué se diferencia de construir capital profesional?
El capital profesional son los activos que acumulas. La selección del terreno es el mercado donde se venden esos activos. Las mismas habilidades pueden valer mucho más en un terreno que en otro, así que la elección del terreno va primero.
¿Una calificación de exposición a la IA “Muy alta” convierte un terreno en una mala elección?
No. El BLS describe las categorías como relativas y no como previsiones de empleo. En el análisis de CEOtudent, los terrenos de exposición Muy alta tienen el salario típico más alto, pero también la mayor dispersión y el crecimiento medio más lento, por lo que premian una posición clara más que la competencia media.
¿Qué dice P90/P10 sobre un terreno?
Es el salario del percentil 90 dividido por el salario del percentil 10 dentro de una ocupación. Cuanto más alto, más importa el puesto en la clasificación. En 830 ocupaciones, la mediana es 2,29; los asesores financieros personales están en 7,11 y los enfermeros de práctica avanzada, en 1,72.
¿Qué debería hacer alguien a quien se le dan bien varias cosas?
Aplicar la lógica de Ricardo: comparar la ventaja entre sus propias opciones y especializarse donde sea mayor en relación con el aspirante típico. Después, comprobar que el terreno tiene espacio y una forma de recompensa que encaja con el puesto que puede alcanzar.
¿Con qué frecuencia conviene volver a puntuar la elección de terreno?
Una vez al año es un valor por defecto razonable, coincidiendo con datos nuevos como las proyecciones anuales del BLS, e inmediatamente después de un cambio importante en tu ventaja, en tu campo o en las herramientas que hacen tu trabajo central.
Fuentes
- U.S. Bureau of Labor Statistics, Employment Projections. AI exposure categories and 2025-35 employment projections (tabla complementaria, con la hoja Field Descriptions).
- U.S. Bureau of Labor Statistics. Artificial Intelligence (AI) exposure categories: methodology and limitations.
- U.S. Bureau of Labor Statistics, Employment Projections 2025-35. Tablas de ocupaciones 1.2 (proyecciones y características de los trabajadores) y 1.10 (separaciones y vacantes).
- U.S. Bureau of Labor Statistics, Occupational Employment and Wage Statistics. Estimaciones nacionales intersectoriales de mayo de 2025 y descripciones de los campos.
- Porter, Michael E. What Is Strategy? Harvard Business Review, noviembre-diciembre de 1996.
- Martin, Roger L. The Big Lie of Strategic Planning. Harvard Business Review, enero-febrero de 2014.
- Ricardo, David. On the Principles of Political Economy and Taxation, tercera edición, 1821, capítulo 7, On Foreign Trade. Edición de Library of Economics and Liberty.
- Clement, Douglas. Perfectly Competitive Superstars. Federal Reserve Bank of Minneapolis, 2002. Fuente de su resumen y de sus citas de Rosen (1981), The Economics of Superstars, y de Boldrin y Levine; los artículos originales no se consultaron.
- Deming, David J. The Growing Importance of Social Skills in the Labor Market. NBER Working Paper 21473, 2015, revisado en junio de 2017.
- Gathmann, Christina, y Uta Schönberg. How General Is Human Capital? A Task-Based Approach. IZA Discussion Paper 3067, 2007 (resumen e introducción).
- Acemoglu, Daron, y David Autor. Skills, Tasks and Technologies: Implications for Employment and Earnings. NBER Working Paper 16082, 2010 (resumen).
Nota editorial: las tablas 1, 2 y 3 son análisis de CEOtudent que cruzan la tabla de exposición a la IA de BLS Employment Projections (2025-35) con los percentiles salariales por código de ocupación de BLS OEWS de mayo de 2025; cada celda derivada se recalcula con un script. Los nombres de los tipos de terreno y la tarjeta de puntuación de la tabla 4 con sus umbrales son un marco editorial de CEOtudent. Se descartaron deliberadamente las afirmaciones populares de que la IA sustituirá un porcentaje fijo de empleos: el BLS afirma que sus categorías de exposición no son previsiones de empleo, y ninguna fuente primaria consultada para este artículo respalda una cifra así. Rosen (1981) y Boldrin y Levine se citan únicamente según el resumen del Federal Reserve Bank of Minneapolis.
Este contenido fue recopilado con el apoyo de la IA tras una investigación exhaustiva, y luego redactado y preparado para su publicación por el equipo editorial de CEOtudent.
This post is also available in:













